Mihu Voice · Nowość

Głosy, które brzmią jak ludzie. Transkrypcja w trakcie mówienia.

Mihu Voice to nasz własny stos mowy, stworzony do rozmów na żywo: Umay zamienia mowę na tekst, gdy rozmówca wciąż mówi, a Ses zamienia tekst w naturalną mowę w siedmiu językach. Jedno API, hosting w Europie lub Turcji albo na Twoich własnych serwerach.

~80 ms
Tekst końcowy po tym, jak rozmówca skończy mówić
7
Języków, mowa na tekst i tekst na mowę
10–30 s
mowy, by sklonować głos
The Mihu Voice library: voice orbs to choose from, the English female voice Emily selected, scenario chips such as order status and appointment, and her greeting ready to play.
Dwa modele, jedno API

Uszy i głos każdego agenta Mihu, teraz dostępne dla Twojego produktu.

mihu-umay-v1 do zamiany mowy na tekst i mihu-ses-v1 do zamiany tekstu na mowę działają pod jednym kluczem API, przez REST i WebSocket. Oba odpowiadają tak samo w każdym regionie i współpracują z oficjalnymi SDK OpenAI po zmianie base URL.

Umay
Mowa na tekst, na żywo i z plików
Ses
Tekst na mowę, strumieniowo
Języki
TR, EN, DE, FR, IT, RU, ES
Gdzie działa
Europa, Turcja lub on-premise
Umay · mowa na tekst

Tekst pojawia się, gdy rozmówca wciąż mówi.

Tekst częściowy napływa strumieniowo w trakcie mówienia. Zdanie końcowe jest gotowe ok. 80 ms po zakończeniu wypowiedzi, szybciej niż mrugnięcie oka, więc Twój agent odpowiada bez przerwy.

Na tureckiej mowie czytanej Umay osiąga wskaźnik błędów słów 3.42%, najniższy spośród dziewięciu przetestowanych przez nas systemów. W trybie tylko tureckim jeden serwer obsługuje do 256 rozmów na żywo.

  • Rozmowy na żywo przez WebSocket: PCM 16 kHz w ramkach po 100 ms, jedno gniazdo
  • Pliki w dowolnym popularnym formacie przez REST, 19.5× szybciej niż w czasie rzeczywistym w trybie szybkim
  • Obsługa dźwięku telefonicznego 8 kHz
Tekst częściowy i końcowy w rozmowie na żywo, z oznaczaniem mówców w trakcie mówienia.

Wszystko, co potrafi Umay

Opcje mówców włączasz dla każdego żądania osobno; wyłączone nie dodają opóźnienia.

Inteligentne formatowanie i nazwy miejsc

Kwoty, daty i adresy wychodzą w formie, jakiej oczekuje CRM.

Kwoty, daty i numery rejestracyjne są zapisywane cyframi, co dodaje ok. 6 ms. Wbudowane listy dzielnic i osiedli oraz Twoje własne hotwords podnoszą dokładność nazw miejsc na żywo o 3 do 8 punktów.

1.68%wskaźnik błędów słów na 500 wypowiedzianych adresach, 8 kHz, z podpowiedziami miejsc
97.2%zdań adresowych w pełni poprawnych z podpowiedziami miejsc
Ses · tekst na mowę

Mowa, która brzmi lokalnie.

Ses czyta adresy, nazwy miejsc, kwoty, daty, numery rejestracyjne i numery telefonów tak, jak mówią je ludzie, we wszystkich siedmiu językach. Dźwięk wraca strumieniowo, zanim całe zdanie zostanie zsyntetyzowane, i startuje po ok. 0.1 s.

  • 22 wbudowane głosy w 7 językach oraz Twoje własne
  • Dźwięk 24 kHz jako pcm, wav, mp3, opus, aac lub flac
  • Barge-in: zamknięcie połączenia przerywa mowę w chwili, gdy rozmówca się odezwie
  • Opcjonalne generowanie z weryfikacją dla tureckiego i akcent wyrazowy dla rosyjskiego
Smart reading: ‘17 Oak St, Apt 4’ read as seventeen Oak Street, apartment four in English, ‘16:30’ as las cuatro y media in Spanish, and a Turkish door number, with 24 kHz streaming audio out.
Jedno żądanie, poprawnie odczytane w każdym języku, przesyłane strumieniowo w trakcie generowania.
Klonowanie głosu

Twój własny głos z 10–30 sekund mowy.

Nagraj krótką próbkę, a Ses zbuduje własny głos, którego użyjesz obok 22 wbudowanych. Każdy klon przechodzi kontrolę czytania i wymaga zgody mówcy. Nagranie służy do zbudowania głosu, a potem jest usuwane; zachowywany jest tylko sam głos.

Sklonuj głos w konsoli
Benchmarki · listopad 2026

Dokładność we wszystkich 7 językach.

Każdy system oceniany jest tak samo na publicznych zbiorach testowych, z normalizacją liczb i formatów. Niższy wskaźnik błędów słów jest lepszy.

Mowa na tekst · Umay · FLEURS, czyste nagrania
JęzykWskaźnik błędów słówDokładność słów
Türkçe3.42%96.58%
English6.44%93.56%
Deutsch6.46%93.54%
Français6.70%93.30%
Español3.68%96.32%
Italiano3.34%96.66%
Русский5.61%94.39%
Tekst na mowę · Ses · odczytane przez Whisper large-v3 przy 8 kHz
JęzykWskaźnik błędów słówDokładność słów
Türkçe3.38%96.62%
English1.29%98.71%
Deutsch3.62%96.38%
Français4.41%95.59%
Español2.53%97.47%
Italiano3.36%96.64%
Русский5.04%94.96%
Ses · czas do pierwszego dźwięku, na CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

Turecki mierzymy też na rozmowach telefonicznych i nagraniach nadawczych. Metody, wszystkie testowane systemy i pełne wykresy znajdziesz na stronie benchmarków. Wszystkie benchmarki →

Konsola

Wszystko, co robi API, w przeglądarce.

Testuj głosy, transkrybuj, klonuj i zarządzaj kluczami bez pisania kodu. A Ty decydujesz, jak długo cokolwiek jest przechowywane.

The Mihu Voice console Voices page: shortcuts to clone a voice, text to speech, transcribe a call and API keys, and a searchable list of built-in voices such as Alp, Kaya, Ece and Aysu with language and gender.
Głosy: 22 wbudowane głosy i Twoje własne, ze skrótami do klonowania, mówienia, transkrypcji i pobierania kluczy.
The Mihu Voice console Text to Speech page: a Turkish sentence for the voice Alp, character count and price, scenario chips, and settings for speed, natural reading of numbers and dates, pronunciation check, pronunciation dictionary and download format.
Tekst na mowę: wpisz tekst, wybierz głos i tempo, sprawdź wymowę i pobierz.

Głosy

Wbudowane głosy i Twoje własne. Odsłuchaj każdy, zanim go użyjesz.

Tekst na mowę

Wpisz tekst, wybierz głos i usłysz go po ok. 0.1 s. Pobierz jako mp3, wav, flac i inne.

Mowa na tekst

Prześlij plik lub link, nagraj albo przejdź na żywo i patrz, jak słowa pojawiają się w trakcie mówienia.

Izolator głosu

Usuń głosy w tle i szum z nagrania; porównaj przed i po.

Klonowanie głosu

Głos z 10–30 sekund mowy, z kontrolą czytania i zgodą mówcy.

Klucze API i użycie

Klucze dla Twoich serwerów, kod quick-start dla każdego regionu i Twoje wydatki.

Integracja

Łączy się z contact center, które już prowadzisz.

Nie potrzebujesz SDK Mihu i nic nie działa po Twojej stronie. Rozmowy na żywo przesyłają dźwięk przez WebSocket; pliki i synteza używają zwykłego HTTPS. Wybór regionu zmienia tylko host.

  • Europa: stt.eu.mihu.ai i tts.eu.mihu.ai
  • Turcja: stt.tr.mihu.ai i tts.tr.mihu.ai, dane zostają w kraju (KVKK)
  • Na Twoich własnych serwerach: Docker na CPU, offline, bez GPU i bez internetu
  • Oficjalne SDK OpenAI działają po zmianie base URL
WS /v1/stream · python
import asyncio, json, websockets

URL = "wss://stt.eu.mihu.ai/v1/stream?model=umay-stream&language=tr&api_key=KEY"

async def transcribe(chunks):  # 100 ms of 16 kHz mono int16 PCM
    async with websockets.connect(URL, max_size=None) as ws:
        async def read():
            async for m in ws:
                d = json.loads(m)
                if d["type"] == "final":
                    print(d["text"])  # send this to your LLM
        reader = asyncio.create_task(read())
        for chunk in chunks:
            await ws.send(chunk)
        await ws.send(json.dumps({"event": "end"}))
        await reader

Ochrona danych: KVKK i GDPR

Dźwięk nie jest przechowywany

Strumienie na żywo są przetwarzane w pamięci i nigdy nie trafiają na dysk. Plik jest przechowywany tylko na czas transkrypcji.

Transkrypcje nie są logowane

Wyniki API są zwracane do Ciebie, a nie przechowywane. W konsoli wybierasz, jak długo zostają transkrypcje: od wcale do 3 lat.

Odciski głosu za zgodą

Nagrania głosu nigdy nie są przechowywane. Zachowywana jest tylko sygnatura liczbowa i tylko na Twoją prośbę; można ją trwale usunąć.

Cennik

Płacisz za wysłany dźwięk i za znaki zamienione na mowę.

Ceny katalogowe w euro. Opcje są rozliczane osobno, tylko gdy z nich korzystasz. Pliki i strumienie na żywo kosztują tyle samo.

Mowa na tekst · mihu-umay-v1
€0.09 za godzinę dźwięku
€0.0015 za minutę dźwięku
Tekst na mowę · mihu-ses-v1
€10 za milion znaków
€0.01 za tysiąc znaków
Opcje zamiany mowy na tekst
€0.01 za każdą
Za rozmowę: izolacja głosu, diaryzacja, blokada mówcy, rozpoznawanie płci. Za żądanie: odciski głosu, weryfikacja mówcy.
Ile kosztują typowe zadania według cennika
ZadanieWolumenKoszt
Transkrypcja 10,000 rozmów po 3 minuty500 godzin dźwięku€45.00
Wypowiedzenie 10,000 odpowiedzi po 200 znaków2 miliony znaków€20.00
Transkrypcja 1,000 godzin nagrań1,000 godzin dźwięku€90.00
10,000 rozmów po 3 minuty z diaryzacją mówców500 godzin + 10,000 rozmów€145.00

Wdrożenie on-premise lub większy wolumen? Porozmawiaj z działem sprzedaży →

Daj swojemu produktowi głos i uszy.

Posłuchaj głosów, przetranskrybuj rozmowę w konsoli albo pobierz klucz API i prześlij pierwszy strumień audio w kilka minut.